Filtros de acciones con IA

Separa la selección de candidatos de una recomendación

Usa reglas explícitas para reducir un universo definido y pide después a la IA que investigue las empresas que pasan. Por ejemplo, filtra una relación documentada entre la generación de caja y los beneficios contables y lee después los informes pertinentes para comprender la diferencia. Define la métrica, el umbral y la regla para datos ausentes antes de ejecutar el filtro. El resultado es una lista de candidatos con motivos para seguir investigando. Mantén el seguimiento cualitativo separado de la selección numérica para que el revisor pueda saber por qué apareció cada empresa y qué evidencia sigue siendo necesaria.

Elige entre filtros, revisión semántica y experimentos

Cada herramienta de selección resuelve problemas diferentes. Los filtros estructurados son más fáciles de reproducir cuando los campos tienen definiciones claras. La revisión semántica puede identificar descripciones del negocio y riesgos divulgados que un campo numérico no detecta. Las señales aprendidas necesitan un framework de evaluación y un conjunto de datos de un momento concreto. Combínalos en ese orden solo cuando la tarea lo requiera. No uses un ranking generado por un LLM como sustituto de definir el universo o resolver campos financieros no disponibles.

Define un universo que resista la revisión histórica

Registra la cobertura de bolsas, los tipos de valores, las clases de acciones y la fecha en la que se define la pertenencia. Decide cómo gestionar cotizaciones secundarias, recibos depositarios, instrumentos suspendidos y empresas excluidas de cotización. Un filtro histórico creado con los símbolos que sobreviven hoy responde a una pregunta diferente de un filtro de un momento concreto. La selección internacional también necesita una política para monedas y calendarios fiscales. Conserva los candidatos excluidos con códigos de motivo para que los revisores sepan si una empresa incumplió una regla o estuvo ausente porque al proveedor le faltaban datos.

Normaliza los campos antes de comparar empresas

Asigna cada métrica a su concepto de origen, periodo, moneda y unidad. Compara medidas contables equivalentes en lugar de tratar como intercambiables todos los campos que se llaman earnings. Conserva si un valor es comunicado, ajustado o derivado y si un informe posterior lo reformula. Los ratios necesitan una política de denominador; los valores ausentes, denominadores negativos y periodos no comparables deben producir estados explícitos. La documentación XBRL de la SEC explica los datos agregados de la empresa, pero el informe original sigue siendo necesario cuando una etiqueta o contexto no captura el significado de negocio que necesitas.

Ejecuta las reglas en código con estados de resultado estables

El ejemplo es una primitiva de selección deliberadamente pequeña, no una estrategia de inversión completa. Compara una métrica proporcionada con un umbral proporcionado y rechaza entradas ausentes o no finitas. El responsable de la regla todavía debe definir la métrica y elegir un comparador adecuado. Mantener esa decisión fuera del modelo hace reproducible el conjunto de candidatos. Guarda junto al resultado la versión de la regla y las referencias de entrada y revisa después las empresas que pasan con divulgaciones reales, en lugar de pedir al modelo que complete valores ausentes.

from math import isfinite

def minimum_metric(value, threshold):
    if value is None or threshold is None:
        return {"state": "unavailable", "code": "MISSING_INPUT"}
    if not isfinite(value) or not isfinite(threshold):
        return {"state": "unavailable", "code": "NONFINITE_INPUT"}
    return {
        "state": "pass" if value >= threshold else "fail",
        "code": "MINIMUM_METRIC",
    }

Usa la IA para revisar la evidencia de los candidatos

Para cada candidato, proporciona el resultado de la regla, las definiciones de las entradas y los pasajes de fuente. Pide al modelo que identifique cambios contables, eventos puntuales, divulgaciones contradictorias y preguntas que requieran investigación humana. Mantén la prosa cualitativa separada de la regla numérica. Si un revisor cambia el estado del candidato, registra la decisión y su evidencia como otra capa. Una salida útil incluye el motivo original por el que pasó, una explicación breve, localizadores de fuentes de respaldo y preguntas sin resolver. Agrupa las preguntas relacionadas para el seguimiento en lugar de permitir que cada candidato active una investigación sin restricciones.

Compara el software con un paquete de prueba exportable

Da a las herramientas candidatas el mismo universo autorizado, corte de datos y definiciones de reglas. Inspecciona si exportan los campos de entrada, los motivos de exclusión y los enlaces de fuentes, no solo un ranking final. Para un producto alojado, pregunta si pueden exportarse los datos personalizados, la pertenencia histórica y las revisiones. Para una pila local, contabiliza el mantenimiento de los mapeos de datos y las dependencias. OpenBB es una referencia de plataforma de datos y Qlib una referencia de experimentación; ninguno debe anunciarse como producto de selección de APIsRouter completo y probado solo porque una capa superior pueda llamar a un modelo.

Presupuesta el volumen de revisión y registra la cobertura fallida

Calcula filtros económicos antes de enviar documentos largos a un modelo y limita después cuántos candidatos reciben una revisión detallada. Guarda en caché la extracción por revisión de fuente y mantén inmutable la instantánea del filtro. Una ejecución repetida con entradas sin cambios debe distinguirse de un evento de investigación nuevo. Sigue los candidatos no disponibles junto a las solicitudes al modelo, los cargos de datos y el esfuerzo de revisión. Compara dos métodos de selección con el mismo universo y corte, e inspecciona qué candidatos difieren y por qué. Esto resulta más accionable que comparar longitudes finales de listas sin examinar la cobertura y las definiciones de reglas.

Evidencia y alcance

La comparación se basa en fuentes oficiales de datos y frameworks. El código es una primitiva de filtro ilustrativa, no un filtro actual de acciones ni una estrategia probada. No se proporcionan resultados de candidatos, retornos ni costes de tarea medidos. Conserva una instantánea del universo y un conjunto de reglas revisado cuando ejecutes tu propio caso de selección.

Preguntas frecuentes